把提示词换成可优化的声明式程序

产品总结

DSPy 是由斯坦福 NLP 与社区维护的开源框架，官方把它定义为「用于编程而非提示大模型的框架」，缩写含义是声明式自改进 Python（Declarative Self-improving Python）。它的目标是把大模型应用的开发从「手写并反复调试提示词」转向「写模块化程序加自动优化」：用带类型的签名声明任务，用模块组合出流程，再用内置优化器自动搜索更好的提示词与示例组合。项目以 MIT 许可开源（版权声明为斯坦福未来数据系统），要求 Python 3.10 及以上，核验时最新发布为 3.4.0b1（2026 年 8 月 21 日），此前稳定版本为 3.3.0（2026 年 5 月）与 3.2.1（2026 年 4 月）。 框架的核心是三件原语。签名负责声明任务的输入输出字段；模块负责实现策略，同一个签名可搭配不同推理方式，从而在接口不变的前提下替换实现；优化器负责效果，官方文档列出的包括 BootstrapFewShot 系列、BootstrapFinetune、COPRO、MIPROv2、SIMBA、InferRules、KNN 与 KNNFewShot、LabeledFewShot、Ensemble、BetterTogether 以及基于反思式提示进化的 GEPA。此外文档覆盖评测、工具、模型接入、开发与部署等章节，并内置 Python 解释器组件供需要执行代码的流程使用；最新候选版本的更新集中在解释器改进、优化器提速与 MCP v2 兼容上。 与它的设计前提相一致，DSPy 的开发流程天然是评测驱动的：优化器需要指标与数据才能工作，所以要先定义评测、再建评测集、然后让优化器搜索改进，任何改动都能用同一套评测回答是否变好。官方 README 还给出完整论文清单，从 2022 年的 Demonstrate-Search-Predict、2023 年的 DSPy 原始论文（ICLR 2024），到 2024 年的多阶段程序优化与提示作为超参数，再到 2025 年的 GEPA，方法来源可追溯。官方站点给出的规模数据包括月下载量数百万级、四百余名贡献者与约 3.8 万 star，并列出了在生产环境使用它的公司。 使用前需要注意：它更适合有明确指标与稳定评测数据的任务，任务难以量化时优化器的收益有限；前期构建评测集的投入不小，但会被后续迭代反复复用；优化器数量多且行为不同，建议先用简单方法建立基线再换用更重的方案；项目迭代较快且候选版本与稳定版本并行，生产环境应固定版本并在升级前跑一遍自有评测。

产品类型

大模型应用编程与提示优化框架

支持平台

Python 库（pip install -U / 签名（Signatures，声明式输入输出） / 模块（Modules，同一接口不同策略） / 优化器（Optimizers，自动改进提示与权重 / 评测（Evaluation） / 工具与解释器（Tools、PythonInter / MCP 兼容 / 可对接多家模型提供方

资费模式

MIT 许可免费开源；成本来自所选模型提供方的调用费用与自备算力。